diabetic retinopathy
PulseAugur coverage of diabetic retinopathy — every cluster mentioning diabetic retinopathy across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新图方法提升视网膜疾病预测可解释性
研究人员开发了一种新颖的生物信息异构图表示方法，以提高用于预测糖尿病视网膜病变的机器学习模型的可解释性。该方法对视网膜血管节段和其他关键特征进行建模，将预测任务构建为图级分类问题，并使用图神经网络解决。该方法实现了 84% 的 AUC-ROC，并在精确识别异常血管和无灌注区域方面优于现有方法，为临床决策支持提供了详细的解释。
-
DR-LabStack 集成多种糖尿病视网膜病变预测模型
研究人员开发了 DR-LabStack，一个旨在集成多个预训练糖尿病视网膜病变预测模型的网络系统。该系统使用 React 和 Flask 构建，为 RuleFit、Pruned RuleFit 和 XGBoost 等不同模型标准化了接口。它处理各种输入字段、序列化格式和输出语义，提供统一的二元分类 JSON 响应。该系统的设计侧重于异构模型的可重用工作流，但其临床有效性和可用性仍需进一步评估。
-
基础模型在眼病检测方面未显示出优于CNNs的一致优势
一篇新研究论文评估了基础模型（FMs）从眼底图像检测糖尿病黄斑水肿（DME）的有效性。研究发现，虽然测试了RETFound和FLAIR等基础模型，但它们在传统微调的卷积神经网络（CNNs）方面并未始终表现更优。具体而言，在各种设置下，EfficientNetB0模型取得了具有竞争力或更优的性能，这表明在数据稀缺的环境中，轻量级CNNs可作为DME检测的有力基线。
-
研究发现：医疗AI模型需要更好的不确定性量化
一篇新的研究论文探讨了医学基础模型中的不确定性量化问题，并将领域特定模型与通用模型进行了比较。研究发现，使用自监督学习在高质量、领域特定的数据集上进行预训练可以改善点预测。然而，标准的重新校准方法不足以解决不同数据源之间的不确定性差异，并且领域特定模型在共形预测方面更有效。该研究强调需要一种全面的方法来处理医学AI中的不确定性，以确保可靠的决策。
-
视觉基础模型在可解释的糖尿病视网膜病变分类方面展现出潜力
研究人员开发了一个使用视觉基础模型进行糖尿病视网膜病变（DR）分类的可解释框架。该研究评估了DINOv2、CLIP和Vision Transformer骨干网络，并采用了多种迁移学习策略，包括完全微调和LoRA。DINOv2-LoRA在内部表现强劲，而DINOv2和ViT的完全微调在外部分泛化方面表现出色。可解释性通过Grad-CAM和HiResCAM进行评估，将模型注意力图与专家标注的病灶进行比较。
-
序数扩散模型生成具有有序疾病进展的逼真医学图像
研究人员开发了一种序数潜在扩散模型，用于生成彩色眼底图像，特别解决了眼科疾病进展的连续性问题。与将疾病分期视为独立类别的标准条件扩散模型不同，该新模型融入了糖尿病视网膜病变（DR）严重程度的有序结构。通过使用标量疾病表示，该模型促进了相邻分期之间的平滑过渡，提高了视觉真实性和临床一致性。在EyePACS数据集上的评估显示，大多数DR分期的Fréchet inception distance有所降低，并且Quadratic weight…
-
LinkedIn 的“AI 垃圾”标签点击量达 100 万；阿曼推出 AI 糖尿病筛查
LinkedIn 允许用户将帖子标记为“AI 垃圾”的功能已获得超过一百万次点击，首席产品官 Hari Srinivasan 报告称。此外，阿曼已启动一项国家人工智能计划，用于筛查糖尿病患者的糖尿病视网膜病变，并已成功筛查超过 43,000 名患者。
-
新指标量化医学AI公平性中的解释一致性
研究人员引入了一个名为解释一致性得分（ECS）的新指标来评估医学影像模型的公平性。该得分基于Jensen-Shannon散度，量化了不同人口统计学群体之间归因图的相似程度。在一项涉及糖尿病视网膜病变筛查的案例研究中，ECS显示，尽管不同族裔群体的预测性能存在差异，但解释一致性保持较高水平，并且与这些性能差异没有显著关联。研究结果表明，在评估模型公平性时，解释一致性提供了比预测性能更具补充性的视角。
-
新型混合深度学习模型改进糖尿病视网膜病变分级
研究人员开发了ORViT-DR，一个新颖的混合深度学习框架，旨在改进从低分辨率视网膜图像中糖尿病视网膜病变的 grading。该方法整合了卷积特征提取和基于 Transformer 的全局上下文建模，利用了预训练的 ViT-Hybrid 主干，该主干结合了 BiT-ResNetv2 和 Vision Transformer。在 RetinaMNIST 数据集上进行测试，ORViT-DR 实现了 57.00% 的分类准确率、0.5963…
-
AI模型增强糖尿病视网膜病变分级的不确定性感知能力
研究人员开发了一种新的自动化糖尿病视网膜病变（DR）分级流程，该流程整合了病灶感知预处理、序数预测和不确定性估计。该系统使用特定的特征表示、EfficientNetV2-L序数回归器以及用于不确定性驱动转诊的蒙特卡洛Dropout。该方法旨在通过提供高准确度、校准的不确定性和可视化解释来支持可靠的诊断系统，在APTOS-2019测试集上达到了91.31%的QWK。
-
新的PARAGraph框架改进了糖尿病视网膜病变分级
研究人员开发了一种名为PARAGraph的新框架，用于糖尿病视网膜病变（DR）的分级。这种基于分层图的方法以视盘-黄斑坐标系为锚点进行归一化，从而模拟图像中病变类型及其空间关系。该系统通过整合全局视觉上下文，采用双融合策略来增强对抗噪声病变分割的鲁棒性。在多个数据集上的实验表明，与现有的最先进方法相比，PARAGraph在DR分级方面取得了更优越且符合临床的性能。
-
人工智能革新癌症、心脏病早期检测
人工智能正在癌症、糖尿病视网膜病变和心脏病等关键健康领域革新早期疾病检测。AI系统分析医学影像和患者数据，以识别细微模式，从而实现比传统方法更快、更一致的诊断。该技术通过充当决策支持层、筛查患者，甚至在特定情况下提供自主诊断来协助医生，最终目标是改善患者预后和负责任的部署。
-
新型深度学习模型可对糖尿病视网膜病变进行分级，但面临跨域挑战
研究人员开发了一个新颖的深度学习框架，用于对糖尿病视网膜病变（DR）进行分级，DR是可预防性失明的主要原因。该系统采用双分辨率方法，使用两个EfficientNet骨干网络，一个专注于血管结构，另一个专注于局灶性病变，并通过注意力门控进行组合。该模型在一个包含4,149张图像的组合数据集上进行训练，并在独立的数据集上进行评估，结果显示在不同成像域之间转移时，性能显著下降。虽然该模型对严重程度的排序在域转移后基本得以保留，但其精确的阈值…
-
新型AI模型提高青光眼检测准确性
研究人员开发了一种新颖的平衡软专家混合模型，旨在提高青光眼检测的准确性。该模型利用三个独立的专家和一个负载均衡损失函数来克服多模态学习中的挑战，例如不平衡的单模态表示。所提出的方法在AUC测量方面，与单模态基线、传统多模态模型以及现有的最先进的平衡多模态方法相比，表现更优。研究人员还建议，该模型的架构可以推广用于检测其他疾病，包括糖尿病视网膜病变。
-
新的边缘-云架构简化了糖尿病视网膜病变筛查
研究人员开发了一种两层边缘-云架构，用于自动化糖尿病视网膜病变筛查，旨在提高资源受限的临床环境的效率。该系统在边缘使用轻量级模型对图像进行分类，仅将可能需要转诊的病例发送到更强大的基于云的模型进行详细分级。这种方法将云处理量减少了约 50%，同时保持了检测需要转诊的糖尿病视网膜病变的高灵敏度。
-
PRISM-DR 流程使用专家模型检测糖尿病视网膜病变
研究人员开发了 PRISM-DR，一种检测糖尿病视网膜病变的新型流程。与以往使用单一多类别模型的方法不同，PRISM-DR 为四种非增殖性 DR 病变（微动脉瘤、出血、硬性渗出物和软性渗出物）中的每一种都采用了专门的单类别检测器。这种方法旨在通过针对每种病变类型的独特特征定制模型来提高准确性。该系统在 IDRiD 数据集上取得了 0.527 的测试 mAP50 和 0.529 的 F1 分数，证明了其作为统一检测模型的实用替代方案。
-
新的CLAHE流程增强视网膜图像，改善诊断效果
研究人员开发了一种新颖的两阶段视网膜眼底图像增强流程，结合了亮度校正和对比度限制自适应直方图均衡化（CLAHE）。该方法专门针对非均匀照明和低对比度等伪影，这些伪影会阻碍糖尿病视网膜病变和青光眼等疾病的准确诊断。在DRIVE数据集上的定量验证表明，其性能优于标准的直方图均衡化和自适应直方图均衡化方法，在PSNR、SSIM和CNR方面取得了显著更高的分数，并且处理时间适合临床工作流程。
-
新的RED-Sphere框架增强了医学图像分类器的鲁棒性
研究人员开发了RED-Sphere，一个旨在提高医学图像分类器在新患者群体上应用时鲁棒性的新框架。这个即插即用的系统解决了因外观和采集风格差异导致在某一数据集上训练的分类器在其他数据集上表现不佳的挑战。RED-Sphere通过识别和减轻对捷径敏感的干扰响应，使用一致性和分离损失对掩码视图进行正则化，并使用归一化的球面原型进行预测。在严格的仅限白人哈佛-FairVision协议下，对年龄相关性黄斑变性和糖尿病视网膜病变的眼底分类进行测试…
-
新架构应对糖尿病视网膜病变病灶分割挑战
研究人员开发了一种名为多分辨率特征干的新型深度学习架构，以改进糖尿病视网膜病变（DR）病灶的分割。现有模型面临挑战，因为DR病灶的大小差异很大，而较高的输入分辨率虽然有利于微动脉瘤等小病灶，但可能会影响对出血等大病灶的性能。所提出的架构集成了输入级金字塔和UNet++骨干网络，以并行处理多个尺度，在不丢失上下文信息的情况下有效捕获精细细节。
-
人工智能融合OCT和OCTA图像以改善糖尿病视网膜病变诊断
研究人员开发了一种新颖的跨模态融合技术，结合了光学相干断层扫描（OCT）和OCT血管造影（OCTA）正面图像，以改善糖尿病视网膜病变的诊断。该方法利用双向跨模态注意力网络整合结构OCT数据和血管OCTA信息。在两个数据集上的实验表明，融合方法显著优于仅依赖OCT数据的模型，其中翻译后的OCTA（TR OCTA）显示出与地面真实OCTA相当或更优的结果，并增强了对领域迁移的鲁棒性。